基于特高频局放技术与CG-BP算法的GIS绝缘故障类型识别方法

针对封闭式气体绝缘开关装置(Gas Insulated Switch Gear, GIS)由于生产、运输安装和运行环境等因素,引发的局部放电(Partial discharge, PD)现象而造成的绝缘故障类型问题,提出一种基于特高频(UHF)局放技术与CG-BP算法的GIS绝缘故障类型识别方法。首先,对GIS内的PD产生机理,以及UHF局放技术的实现过程进行描述,并在此基础上,分析了GIS内部4种常见的PD信号的UHF传播特性。其次,利用共轭梯度法(Conjugate Gradient, CG)来优化BP算法的初始阈值和权值,进而提高BP算法学习效率和GIS故障类型识别率。最后,仿真结果表明：相比基于传统BP算法的GIS故障类型识别方法,改进的CG-BP识别算法可有效减少训练次数,且识别准确率可达91%,提高了10%。     

PSO优化BP神经网络的串联故障电弧识别方法

运用db5小波对故障电弧信号进行4层分解,提取故障频段能量谱作为特征量,建立BP神经网络.用粒子群优化(PSO)算法优化BP神经网络,从而快速准确地对故障电弧特征量进行拟合,用训练后的神经网络对故障电弧进行预测,达到了较好的预测识别效果,验证了该串联型故障电弧识别方法的有效性.     

基于EEMD-SE和栈式降噪自编码网络的局部放电模式识别

由于变电站环境复杂,利用传统的特征统计方法不能准确地提取局部放电(PD)信号的特征及对其识别分类.对此,提出一种基于集合经验模态分解(EEMD)和样本熵(SE)的局部放电信号特征提取方法.利用EEMD算法对局部放电信号进行时频分析;计算EEMD分解得到的固有模态函数(IMF)的样本熵,并将其作为特征向量表征不同放电类型;采用栈式降噪自编码网络(SDAE)对放电类型进行分类识别.通过对四类局部放电故障进行特征提取和模式识别,对比实验结果表明,该方法能有效地提取放电信号的特征,并较准确地识别各类放电类型.     

基于核主成分分析和概率神经网络的开关柜局部放电信号模式识别

该文建立开关柜的3种超声波局部放电(局放)模型,运用自适应LMS-小波软阈值法对超声波局部放电信号进行滤噪处理,提取信号时域波形特征、小波包变换系数特征,利用核主成分分析(KPCA)对提取的特征向量降维,最后采用概率神经网络(PNN)实现绝缘缺陷类型识别。结果表明,该文的方法可以准确地实现开关柜超声波局放类型识别,经KPCA降维后的识别效率有明显提升,该方法对基于超声波局部放电信号的开关柜绝缘检测有一定参考价值。     

摩擦焊接头超声波检测缺陷信号智能识别

为使超声波无损检测准确识别摩擦焊接头的弱结合缺陷,本文利用小波包分析法分析处理超声波检测的回波信号,利用“能量-故障”法提取各检测信号的信号特征,将信号特征向量作为输入量引入到利用改进算法所构建的信号识别神经网络中,使其对接头中的缺陷进行后端分类和识别处理,从而实现了摩擦焊接头缺陷的智能识别。实验结果表明该方法具有较高的准确度。     

基于小波分析和机器学习的电力电缆故障诊断研究

以MATILAB语言为工具,笔者首先对小波分析对电缆故障信号特征进行提取,将小波分析与机器学习理论应用于电缆故障诊断,通过电缆故障信号的小波分析,找出最优的小波类型,并利用机器学习分类和回归算法对故障进行识别和对故障点进行定位,最后建立了一种能实时精确定位电缆故障和识别电缆故障的模型,用于在线实时精确监测电缆故障。     

基于遗传算法优化BP神经网络的故障电弧识别

由于电力系统中的正常电流信号与串联型故障电弧的电流特性十分相似,故障电弧的正确识别十分困难,找到能够准确识别串联故障电弧的方法很关键.运用db5小波对故障电弧信号进行四层分解,提取故障频段能量谱作为特征量,建立BP神经网络.但BP网络是基于梯度的方法确定权值,而梯度下降法本身就很容易受到局部极小点的影响.所以通过引入遗传算法,弥补了BP网络的不足.用遗传算法优化BP神经网络,快速准确地对故障电弧特征量进行识别,用优化后的神经网络对故障电弧的识别误差率进行分析,达到了较好的预测识别效果,从而快速准确地实现了故障电弧的识别操作.     

基于数据可视化的复杂系统信号时序识别方法

针对复杂系统研发及运行过程中产生的大量信号可以表征系统运行的时序健康状态这一特性,提出了一种基于数据可视化及卷积神经网络(convolutional neural networks, CNN)智能识别的时序特征识别方法;该方法使用数据可视化技术将信号的时序特征映射至图像,通过训练好的特征识别模型对信号可视化图像进行时序特征的识别,可实现系统运行时的实时智能状态监测;选取了三种典型信号的正常及异常特征,通过模型构建及测试分析,验证该方法对复杂系统信号的时序特征有良好的识别效果,可应用于对时序要求较高的复杂系统进行状态监测及故障诊断。     

基于小波包的频带能量特征提取及智能诊断

提出一种基于小波包和BRF神经网络的智能故障诊断方法。对滚动轴承故障信号进行小波包分解,选择合适的小波基函数和尺度,将故障信号分解到八个不同的频段上,提取这八个频段上的能量信息,组成特征问量,作为RBF神经网络的输入;建立RBF神经网络模型并进行训练,对三种滚动轴承故障信号进行智能分类与识别。实验结果表明这种智能诊断方法有效可行。     

经验模态分解神经网络的研究与应用

为更有效对非线性信号进行识别,提出一种经验模态分解神经网络模型,实现经验模态分解算法与卷积神经网络模型的紧耦合.在EMD层利用经验模态分解算法完成信号的自适应分解;引入权重参数,将分解得到的本征模函数依据其对识别的重要性进行自适应加权重构提取特征,增强时域特征提取能力;将提取的特征通过Softmax层完成信号的识别.将该网络模型应用于美国麻省理工学院提供的MIT-BIH心律失常数据库,对心律失常信号的识别准确率为99.38％,高于其它算法的识别准确率,验证了该模型的有效性.     

基于鲸鱼算法改进小波神经网络的GIS局部放电诊断方法研究

针对封闭式气体绝缘开关装置由于生产、运输安装和运行环境等因素,引发的局部放电现象而造成的绝缘故障问题,提出了一种基于改进鲸鱼算法与小波神经网络结合的封闭式气体绝缘开关装置局部放电诊断方法。该方法利用灰度图谱与矩特征实现对局部放电信号的特征提取,基于矩特征值构建小波神经网络的输入样本集;然后使用改进鲸鱼算法对小波神经网络参数进行寻优,以解决神经网络存在的参数敏感问题;最后将优化好且训练完成的小波神经网络应用于绝缘开关装置局部放电诊断中。改进鲸鱼算法引入非线性收敛因子与自适应思想提升了算法的性能,对小波神经网络的超参数有较好的寻优效果。仿真结果表明,相比于通用参数配置的小波神经网络,改进诊断方法诊断精度提升了9.45%。     

基于EEMD和GA-BP的列车辅助逆变器开路故障诊断研究

地铁列车随着运营年限增加,辅助逆变器故障频发,严重制约轨道交通安全运营,故障及时诊断至关重要。针对列车辅助逆变器典型的大功率器件开路故障,提出了一种基于集合经验模态分解(EEMD)和遗传算法优化的BP神经网络(GA-BP)的故障诊断方法,该方法以辅助逆变器输出的三相半波电压值为监测信号,通过EEMD分解采用能量矩的方法提取故障特征向量,基于GA-BP神经网络实现故障智能诊断。仿真实验结果表明该方法故障诊断准确率能达到95.5%。     

Characterization of acoustic signals due to surface discharges on H.V. glass insulators using wavelet radial basis function neural networks

A hybrid model incorporating wavelet and radial basis function neural network is presented which is used to detect, identify and characterize the acoustic signals due to surface discharge activity and hence differentiate abnormal operating conditions from the normal ones. The tests were carried out on cleaned and polluted high voltage glass insulators by using surface tracking and erosion test procedure of international electrotechnical commission 60587. A laboratory experiment was conducted by preparing the prototypes of the discharges. This study suggests a feature extraction and classification algorithm for surface discharge classification, which when combined together reduced the dimensionality of the feature space to a manageable dimension, by “marrying” the wavelet to radial basis function neural network very high levels of classification are achieved. Wavelet signal treatment toolbox is used to recover the surface discharge acoustic signals by eliminating the noisy portion and to reduce the dimension of the feature input vector. A radial basis function neural network classifier was used to classify the surface discharge and assess the suitability of this feature vector in classification. This learning method is proved to be effective by applying the wavelet radial basis function neural network in the classification of surface discharge fault data set. The test results show that the proposed approach is efficient and reliable.     

电缆局放超高频传感器的应用与传播特性仿真

在线监测电缆的局部放电情况是及时发现故障隐患、预测运行寿命及保障电网安全可靠运行的重要手段.简要介绍了超高频传感器的研究方法和原理,并分别对超高频电磁耦合传感器和超高频电容传感器做了分析.根据电磁波在同轴波导中的传播理论,运用高频结构仿真器 (HFSS) 软件对 110 kV 电缆中间接头进行仿真,通过仿真可以得出:局...     

Partial discharge pattern recognition of power cable joints using extension method with fractal feature enhancement

This paper proposes a new partial discharge (PD) pattern recognition using the extension method with fractal feature enhancement. First, four common defect types of XLPE power cable joints are established, and a commercial PD detector is used to measure the PD signal by inductive sensor (L-sensor). Next, the feature parameters of fractal theory (fractal dimension and lacunarity) are extracted from the 3D PD patterns. Finally, the matter-element models of the PD defect types are built. The PD defect types can be directly identified by the degree of correlation between the tested pattern and the matter-element based on the extension method. The extension method needs representative features to define the interval of the matter-element. In order to enhance the extension performance, we add fractal features that are extracted from the PD 3D patterns. To demonstrate the effectiveness of the extension method with fractal feature enhancement, the identification ability is investigated on 120 sets of field-tested PD patterns of XLPE power cable joints. Compared with the back-propagation neural network (BPNN) method, the results show that the extension method with fractal feature enhancement not only has high recognition accuracy and good tolerance when random noise is added, but that it also provides fast recognition speed.     

局部放电故障神经网络模式识别及实验研究

阐述了局部放电信号模式识别对高压电器故障诊断的意义。用理想的同轴电极系统放电模型模拟了两种放电模式。将统计数学应用于局部放电信号特征量的提取 ,得到的特征向量 (放电量不对称性Q、相位不对称性Φ、相关系数cc)作为BP神经网络的输入 ,以此对局部放电信号进行模式识别。实验证明这种方法具有很高的识别率。     

模拟电路故障诊断新方法

提出了一种新颖的基于多小波神经网络的模拟电路故障诊断方法。介绍了多小波的原理,分析了多小波神经网络的结构、逼近性质及多小波神经网络的算法,提出了用多小波来处理故障信号,提取故障特征向量输入给神经网络,从而进行模拟电路故障诊断。由于多小波函数具有连续、对称性及支撑集短等一系列优点,所以用多小波神经网络来进行模拟电路故障诊断比一般的小波神经网络具有诊断精度高、诊断速度快的优点。给出了仿真诊断实例,验证了该方法的有效性。     

基于小波包和RBF神经网络的瓦斯传感器故障诊断

针对瓦斯传感器故障诊断速度慢、诊断精度不高的问题,以常见的冲击型、漂移型、偏置型和周期型传感器输出故障为研究对象,提出了一种基于减聚类( SCM)与粒子群( PSO)算法优化的RBF神经网络进行模式分类与辨识的瓦斯传感器故障诊断方法。首先,利用三层小波包分解得到各个节点的分解系数,采用一定的削减算法使故障的瞬态信号特征得到加强,获取最优的特征能量谱。再利用SCM￣PSO算法优化RBF神经网络,使粒子的搜索速度更快,更有利于发现全局最优解。最后通过实验对比分析,该方法具有训练速度快、分类精度高的特点,辨识正确率在95％以上,能够显著提高故障诊断的速度和准确性。     

基于小波分析和神经网络的井下电缆故障测距方法

针对现有的井下电缆故障测距方法存在可靠性差、精度低的问题,介绍了一种基于小波分析理论和神经网络的井下电缆故障测距方法,并比较了BP神经网络和RBF神经网络用于该方法的测距性能。该故障测距方法采用3次B样条半正交小波对暂态零序电流信号进行小波变换,得到特定频带内的暂态零序电流模极大值,并将该模极大值作为神经网络的输入信号,根据模极大值与故障点位置的映射关系实现故障定位。仿真结果表明,该故障测距方法能够较好地进行井下电缆故障测距,且RBF神经网络的测距误差及训练速度均优于BP神经网络。